新型マルチスケールトランスフォーマー手法を用いた効率的かつ正確な肺炎検出

肺炎は、一般的な呼吸器感染症であり、特に脆弱な人口層において世界中で最も主要な疾患と死亡原因の一つとなっています。胸部X線検査は肺炎検出の主要な手段ですが、画像条件の違いや微妙な視覚的指標が一貫した解釈を複雑にしています。自動化されたツールは、診断の信頼性を向上させ、臨床的な意思決定を支援することで従来の方法を補完することができます。本研究では、肺セグメンテーションと分類を統合した新しいマルチスケールトランスフォーマー手法を提案します。当手法では、軽量なトランスフォーマー強化型TransUNet（トランスフォーマー・ユニット）を使用して精密な肺セグメンテーションを実現し、「Chest X-ray Masks and Labels」データセットで95.68%のDiceスコアを達成しました。これは従来のトランスフォーマーよりも少ないパラメータで実現されています。分類については、事前学習済みのResNetモデル（ResNet-50およびResNet-101）を使用して多様なスケールの特徴マップを抽出し、その後変形されたトランスフォーマーモジュールを通じて処理することで肺炎検出性能を向上させています。この多様なスケールでの特徴抽出と軽量なトランスフォーマーモジュールの統合により、堅牢な性能が確保され、リソースに制約のある臨床環境でも適用可能な方法となっています。当手法は「Kermany」データセットで93.75%、「Cohen」データセットで96.04%の精度を達成しており、既存の方法よりも優れた性能を示しながら計算効率も維持しています。本研究は、マルチスケールトランスフォーマー構造が肺炎診断の改善に寄与する可能性を示しており、世界的な医療課題に対する拡張性があり正確な解決策を提供しています。「https://github.com/amirrezafateh/Multi-Scale-Transformer-Pneumonia」注：「Diceスコア」は医学画像処理における評価指標であり、「多様なスケール」は「multi-scale」という技術的概念に対応します。これらの用語は日本語でも一般的に使用されています。